Laboratory 1

Authors:
- Roberto Pérez 
- Arturo Bringas
- Edgar Bazo
- Mariana Lugo

Imports

Python libraries

import sys
import pandas as pd
import numpy as np
import re
import unicodedata
from pandas_profiling import ProfileReport
import plotly.graph_objects as go
import plotly.express as px
import seaborn as sns
import matplotlib.pyplot as plt
import plotly.figure_factory as ff
import probscale
from scipy import stats
from plotly.subplots import make_subplots

Acillary modules

%reload_ext autoreload
%autoreload 2

from utils.lab1_funcs import *

Loading data

Data downloaded from -> https://datos.cdmx.gob.mx/explore/dataset/consumo-agua/export/

df = pd.read_csv("data/consumo-agua.csv")

df

	Geo Point	Geo Shape	consumo_total_mixto	anio	nomgeo	consumo_prom_dom	consumo_total_dom	alcaldia	colonia	consumo_prom_mixto	consumo_total	consumo_prom	consumo_prom_no_dom	bimestre	consumo_total_no_dom	gid	indice_des
0	19.4552601937,-99.1126617526	{"type": "MultiPolygon", "coordinates": [[[[-9...	159.72	2019	Gustavo A. Madero	42.566364	468.23	GUSTAVO A. MADERO	7 DE NOVIEMBRE	53.240000	631.00	42.066667	3.050000	3	3.05	57250	ALTO
1	19.4552601937,-99.1126617526	{"type": "MultiPolygon", "coordinates": [[[[-9...	0.00	2019	Gustavo A. Madero	35.936667	107.81	GUSTAVO A. MADERO	7 DE NOVIEMBRE	0.000000	115.13	28.782500	7.320000	3	7.32	57253	MEDIO
2	19.4557195871,-99.1135822797	{"type": "MultiPolygon", "coordinates": [[[[-9...	0.00	2019	Gustavo A. Madero	24.586000	122.93	GUSTAVO A. MADERO	7 DE NOVIEMBRE	0.000000	197.96	32.993333	75.030000	3	75.03	57255	POPULAR
3	19.4596467168,-99.1044693641	{"type": "MultiPolygon", "coordinates": [[[[-9...	0.00	2019	Gustavo A. Madero	0.000000	0.00	GUSTAVO A. MADERO	NUEVA TENOCHTITLAN	0.000000	253.53	84.510000	84.510000	3	253.53	57267	BAJO
4	19.4741606185,-99.1467497317	{"type": "MultiPolygon", "coordinates": [[[[-9...	56.72	2019	Azcapotzalco	67.436250	539.49	AZCAPOTZALCO	PROHOGAR	56.720000	839.35	76.304545	121.570000	3	243.14	57330	BAJO
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
71097	19.4485642979,-99.1399395353	{"type": "MultiPolygon", "coordinates": [[[[-9...	NaN	2019	Cuauhtémoc	20.053112	3930.41	CUAUHTEMOC	GUERRERO	NaN	4286.28	19.307568	13.687308	1	355.87	233	BAJO
71098	19.4493393649,-99.1457191092	{"type": "MultiPolygon", "coordinates": [[[[-9...	71.30	2019	Cuauhtémoc	21.126615	9549.24	CUAUHTEMOC	GUERRERO	35.650001	9796.12	20.976702	13.506923	1	175.59	238	POPULAR
71099	19.4483923147,-99.1459300721	{"type": "MultiPolygon", "coordinates": [[[[-9...	759.16	2019	Cuauhtémoc	27.527778	4707.25	CUAUHTEMOC	GUERRERO	94.894999	5692.81	29.344381	15.093334	1	226.40	239	BAJO
71100	19.4475868325,-99.1425094385	{"type": "MultiPolygon", "coordinates": [[[[-9...	402.65	2019	Cuauhtémoc	30.605000	550.89	CUAUHTEMOC	GUERRERO	100.662498	963.15	41.876087	9.610000	1	9.61	244	BAJO
71101	19.4474017534,-99.1397251034	{"type": "MultiPolygon", "coordinates": [[[[-9...	41.20	2019	Cuauhtémoc	22.507710	8552.94	CUAUHTEMOC	GUERRERO	13.733333	9000.07	21.951366	15.034444	1	405.93	247	BAJO

71102 rows × 17 columns

Exploratory Data Analysis (EDA)

Data profiling

¿Cuántas variables tenemos?

count_vars(df)

Número de variables en los datos --> 17

¿Cuántas observaciones tenemos?

count_obs(df)

Número de observaciones en los datos --> 71102

¿Cuántas observaciones únicas tenemos por variable?

count_unique_obs(df)

Geo Point               22930
Geo Shape               22922
consumo_total_mixto     24339
anio                        1
nomgeo                     17
consumo_prom_dom        52060
consumo_total_dom       47051
alcaldia                   16
colonia                  1340
consumo_prom_mixto      31911
consumo_total           56015
consumo_prom            62214
consumo_prom_no_dom     37440
bimestre                    3
consumo_total_no_dom    27336
gid                     71102
indice_des                  4
dtype: int64

¿Cuántas variables numéricas tenemos?

Tenemos 8 variables numéricas

vars_num = ["consumo_total",
    "consumo_total_dom",
    "consumo_total_no_dom", 
    "consumo_total_mixto",
    "consumo_prom",        
    "consumo_prom_dom",
    "consumo_prom_no_dom",
    "consumo_prom_mixto"]

count_type_vars(vars_num, "numerica")

Número de variables de tipo numerica --> 8

	Variable(s)
1	consumo_total
2	consumo_total_dom
3	consumo_total_no_dom
4	consumo_total_mixto
5	consumo_prom
6	consumo_prom_dom
7	consumo_prom_no_dom
8	consumo_prom_mixto

None

¿Cuántas variables de fecha tenemos?

• Para efectos de este ejercicio, no hay ninguna variable de tipo fecha, o que consideremos de fecha.

¿Cuántas variables categóricas tenemos?

cat_vars = [
    "anio",
    "nomgeo",
    "alcaldia",
    "colonia",
    "bimestre",
    "indice_des",
]

count_type_vars(cat_vars, "categórica")

Número de variables de tipo categórica --> 6

	Variable(s)
1	anio
2	nomgeo
3	alcaldia
4	colonia
5	bimestre
6	indice_des

None

¿Cuántas variables de texto tenemos?

• Para efectos de este ejercicio, no hay ninguna variable de tipo texto, o que consideremos de texto. Se podría considerar a la variable gid como un identificador de texto.

vars_text = ["gid"]

count_type_vars(vars_text, "texto")

Número de variables de tipo texto --> 1

	Variable(s)
1	gid

None

Generea el profiling de cada variable

Numeric data profiling

• [x] Tipo de dato: float, integer
• [x] Número de observaciones
• [x] Mean
• [x] Desviación estándar
• [x] Cuartiles: 25%, 50%, 75%
• [x] Valor máximo
• [x] Valor mínimo
• [x] Número de observaciones únicos
• [x] Top 5 observaciones repetidas
• [x] Número de observaciones con valores faltantes
• [x] ¿Hay redondeos? -> Se observa que los datos de los totales en el consumo (dom, mixto, no_dom) están a dos decimales desde la fuente. Los datos de los promedios del consumo (dom, mixto, no_dom) tienen seis decimales desde la fuente. No podemos asegurar que los datos, tanto de los totales, como de los promedios, están redondeados.

Función para perfil de datos numérico

## Data profiling compacted in function
data_profiling_numeric(df, vars_num)

*********************************
** General description of data **
*********************************

	consumo_total	consumo_total_dom	consumo_total_no_dom	consumo_total_mixto	consumo_prom	consumo_prom_dom	consumo_prom_no_dom	consumo_prom_mixto
dtype	float64	float64	float64	float64	float64	float64	float64	float64
count_unique	56015	47051	27336	24339	62214	52060	37440	31911
missing_v	0	4820	0	8327	0	4820	0	8327
count	71102	66282	71102	62775	71102	66282	71102	62775
mean	1695.85	1186.26	436.06	174.36	111.217	29.1324	126.76	50.6362
std	3555.7	2771.04	2126.15	312.664	1069.95	64.5659	1095.82	130.409
min	0	0	0	0	0	0	0	0
25%	340.952	161.635	10.98	0	23.0101	18.6905	6.27542	0
50%	896.175	604.185	54.055	79.94	31.6938	26.4142	19.28	33.4517
75%	1808.9	1261.45	230.43	233.32	45.4849	36.2466	54.1869	61.2165
max	119727	95060.7	119727	23404.4	89691.8	7796.41	89691.8	11702.2

None
---------------------------------------------------------------------------
---------------------------------------------------------------------------



****************************
** Top repeated variables **
****************************

	consumo_total			consumo_total_dom			consumo_total_no_dom			consumo_total_mixto			consumo_prom			consumo_prom_dom			consumo_prom_no_dom			consumo_prom_mixto
	value	count	part_notnull	value	count	part_notnull	value	count	part_notnull	value	count	part_notnull	value	count	part_notnull	value	count	part_notnull	value	count	part_notnull	value	count	part_notnull
top_1	0.00	2451	3.45	0.00	9861	14.88	0.00	8109	11.40	0.0	17715	28.22	0.00	2451	3.45	0.00	9861	14.88	0.00	8109	11.40	0.00	17715	28.22
top_2	3.05	70	0.10	1.22	37	0.06	1.22	402	0.57	36.0	74	0.12	1.22	62	0.09	1.22	33	0.05	1.22	330	0.46	36.00	58	0.09
top_3	1.22	68	0.10	10.98	21	0.03	1.83	316	0.44	17.7	61	0.10	3.05	55	0.08	14.64	23	0.03	1.83	290	0.41	29.28	57	0.09
top_4	3.66	42	0.06	25.62	20	0.03	3.05	302	0.42	36.6	59	0.09	4.27	43	0.06	10.98	22	0.03	3.05	260	0.37	36.60	53	0.08
top_5	6.71	41	0.06	3.66	20	0.03	7.93	219	0.31	18.3	54	0.09	6.71	39	0.05	15.25	22	0.03	4.27	216	0.30	23.80	49	0.08

None
---------------------------------------------------------------------------
---------------------------------------------------------------------------

Categoric data profiling

Profiling: Variables categóricas

• [x] Número de categorías
• [x] Valor de las categorías
• [x] Moda
• [x] Valores faltantes
• [x] Número de observaciones con valores faltantes
• [x] Proporción de observaciones por categoría
• [x] Top 1, top 2, top 3 (moda 1, moda 2, moda 3)
• [x] Faltas de ortografía ?

#data profiling function
data_profiling_categ(df,cat_vars)

*********************************
Variable Categorica anio
*********************************

Info	anio
Num_Registros	71102
Num_de_categorias	1
Moda	2019
Valores_faltantes	0
Top1	[2019, 71102]
Top2	0
Top3	0

None
Valores de las categorias y sus proporciones

	Observaciones	proporción
Categoría
2019	71102	100.0%

None



*********************************
Variable Categorica nomgeo
*********************************

Info	nomgeo
Num_Registros	71102
Num_de_categorias	17
Moda	Iztapalapa
Valores_faltantes	0
Top1	[Iztapalapa, 10515]
Top2	[Gustavo A. Madero, 10058]
Top3	[Cuauhtémoc, 7313]

None
Valores de las categorias y sus proporciones

	Observaciones	proporción
Categoría
Iztapalapa	10515	14.8%
Gustavo A. Madero	10058	14.1%
Cuauhtémoc	7313	10.3%
Benito Juárez	6049	8.5%
Venustiano Carranza	5179	7.3%
Miguel Hidalgo	5110	7.2%
Coyoacán	4947	7.0%
Azcapotzalco	4216	5.9%
Álvaro Obregón	4140	5.8%
Iztacalco	3469	4.9%
Xochimilco	2450	3.4%
Talpan	2140	3.0%
Tláhuac	1955	2.7%
Tlalpan	1064	1.5%
La Magdalena Contreras	955	1.3%
Cuajimalpa de Morelos	892	1.3%
Milpa Alta	650	0.9%

None



*********************************
Variable Categorica alcaldia
*********************************

Info	alcaldia
Num_Registros	71102
Num_de_categorias	16
Moda	IZTAPALAPA
Valores_faltantes	0
Top1	[IZTAPALAPA, 10515]
Top2	[GUSTAVO A. MADERO, 10058]
Top3	[CUAUHTEMOC, 7313]

None
Valores de las categorias y sus proporciones

	Observaciones	proporción
Categoría
IZTAPALAPA	10515	14.8%
GUSTAVO A. MADERO	10058	14.1%
CUAUHTEMOC	7313	10.3%
BENITO JUAREZ	6049	8.5%
VENUSTIANO CARRANZA	5179	7.3%
MIGUEL HIDALGO	5110	7.2%
COYOACAN	4947	7.0%
AZCAPOTZALCO	4216	5.9%
ALVARO OBREGON	4140	5.8%
IZTACALCO	3469	4.9%
TLALPAN	3204	4.5%
XOCHIMILCO	2450	3.4%
TLAHUAC	1955	2.7%
MAGDALENA CONTRERAS	955	1.3%
CUAJIMALPA	892	1.3%
MILPA ALTA	650	0.9%

None



*********************************
Variable Categorica colonia
*********************************

Info	colonia
Num_Registros	71102
Num_de_categorias	1340
Moda	CENTRO
Valores_faltantes	0
Top1	[CENTRO, 1139]
Top2	[AGRICOLA ORIENTAL, 837]
Top3	[ROMA NORTE, 602]

None
Valores de las categorias y sus proporciones

	Observaciones	proporción
Categoría
CENTRO	1139	1.6%
AGRICOLA ORIENTAL	837	1.2%
ROMA NORTE	602	0.8%
MOCTEZUMA 2A SECCION	558	0.8%
JARDIN BALBUENA	498	0.7%
...	...	...
HUIZACHITO	2	0.0%
CALZADA JALALPA	2	0.0%
PIRU SECC. I	2	0.0%
U. HAB. NUEVA ROSITA	1	0.0%
SANTISIMA TRINIDAD	1	0.0%

1340 rows × 2 columns

None



*********************************
Variable Categorica bimestre
*********************************

Info	bimestre
Num_Registros	71102
Num_de_categorias	3
Moda	2
Valores_faltantes	0
Top1	[2, 23942]
Top2	[3, 23822]
Top3	[1, 23338]

None
Valores de las categorias y sus proporciones

	Observaciones	proporción
Categoría
2	23942	33.7%
3	23822	33.5%
1	23338	32.8%

None



*********************************
Variable Categorica indice_des
*********************************

Info	indice_des
Num_Registros	71102
Num_de_categorias	4
Moda	BAJO
Valores_faltantes	0
Top1	[BAJO, 29248]
Top2	[POPULAR, 16539]
Top3	[ALTO, 15516]

None
Valores de las categorias y sus proporciones

	Observaciones	proporción
Categoría
BAJO	29248	41.1%
POPULAR	16539	23.3%
ALTO	15516	21.8%
MEDIO	9799	13.8%

None

Additional data profiling

• En este ejercicio particular no se contó con variables del siguiente tipo para hacer el profiling:
  • Imágen
  • Audio

¿Qué conocemos ahora de este set de datos por variable?

1. ¿Cuántas alcadías tienes?
   • Hay un total de 16 alcaldías

1. ¿Cuántos nomgeo tienes?
   • Hay un total de 17 nomgeo

1. ¿Identificas algún error?
   • Hay una categoría con un error ortográfico: Existen 2140 observaciones en la columna nomgeo que dice: Talpan y 1064 observaciones que dicen: Tlalpan

Transformar el nombre de las columnas a formato estándar: minúsculas, sin espacios en blanco -cambiar por guiónes bajos-, sin signos de puntuación

df_cleancols = clean_col_names(df)

df_cleancols

	geo_point	geo_shape	consumo_total_mixto	anio	nomgeo	consumo_prom_dom	consumo_total_dom	alcaldia	colonia	consumo_prom_mixto	consumo_total	consumo_prom	consumo_prom_no_dom	bimestre	consumo_total_no_dom	gid	indice_des
0	19.4552601937,-99.1126617526	{"type": "MultiPolygon", "coordinates": [[[[-9...	159.72	2019	Gustavo A. Madero	42.566364	468.23	GUSTAVO A. MADERO	7 DE NOVIEMBRE	53.240000	631.00	42.066667	3.050000	3	3.05	57250	ALTO
1	19.4552601937,-99.1126617526	{"type": "MultiPolygon", "coordinates": [[[[-9...	0.00	2019	Gustavo A. Madero	35.936667	107.81	GUSTAVO A. MADERO	7 DE NOVIEMBRE	0.000000	115.13	28.782500	7.320000	3	7.32	57253	MEDIO
2	19.4557195871,-99.1135822797	{"type": "MultiPolygon", "coordinates": [[[[-9...	0.00	2019	Gustavo A. Madero	24.586000	122.93	GUSTAVO A. MADERO	7 DE NOVIEMBRE	0.000000	197.96	32.993333	75.030000	3	75.03	57255	POPULAR
3	19.4596467168,-99.1044693641	{"type": "MultiPolygon", "coordinates": [[[[-9...	0.00	2019	Gustavo A. Madero	0.000000	0.00	GUSTAVO A. MADERO	NUEVA TENOCHTITLAN	0.000000	253.53	84.510000	84.510000	3	253.53	57267	BAJO
4	19.4741606185,-99.1467497317	{"type": "MultiPolygon", "coordinates": [[[[-9...	56.72	2019	Azcapotzalco	67.436250	539.49	AZCAPOTZALCO	PROHOGAR	56.720000	839.35	76.304545	121.570000	3	243.14	57330	BAJO
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
71097	19.4485642979,-99.1399395353	{"type": "MultiPolygon", "coordinates": [[[[-9...	NaN	2019	Cuauhtémoc	20.053112	3930.41	CUAUHTEMOC	GUERRERO	NaN	4286.28	19.307568	13.687308	1	355.87	233	BAJO
71098	19.4493393649,-99.1457191092	{"type": "MultiPolygon", "coordinates": [[[[-9...	71.30	2019	Cuauhtémoc	21.126615	9549.24	CUAUHTEMOC	GUERRERO	35.650001	9796.12	20.976702	13.506923	1	175.59	238	POPULAR
71099	19.4483923147,-99.1459300721	{"type": "MultiPolygon", "coordinates": [[[[-9...	759.16	2019	Cuauhtémoc	27.527778	4707.25	CUAUHTEMOC	GUERRERO	94.894999	5692.81	29.344381	15.093334	1	226.40	239	BAJO
71100	19.4475868325,-99.1425094385	{"type": "MultiPolygon", "coordinates": [[[[-9...	402.65	2019	Cuauhtémoc	30.605000	550.89	CUAUHTEMOC	GUERRERO	100.662498	963.15	41.876087	9.610000	1	9.61	244	BAJO
71101	19.4474017534,-99.1397251034	{"type": "MultiPolygon", "coordinates": [[[[-9...	41.20	2019	Cuauhtémoc	22.507710	8552.94	CUAUHTEMOC	GUERRERO	13.733333	9000.07	21.951366	15.034444	1	405.93	247	BAJO

71102 rows × 17 columns

Transformación de variables geoespaciales

• Agregar la variable latitud y longitud generadas a partir de la column geo_point.
• Pasar la variable latitud y longitud a numérica -si no la tomó como numérica-.
• Eliminar la columna geo_point -una vez que creaste la variable latitud y longitud.
• Eliminar la columna geo_shape.
• Cambiar a minúsculas las columnas alcaldía, colonia e indice_des.

df_geotransform = geo_transformation(df_cleancols, "geo_point", "geo_shape")
df_geotransform

	consumo_total_mixto	anio	nomgeo	consumo_prom_dom	consumo_total_dom	alcaldia	colonia	consumo_prom_mixto	consumo_total	consumo_prom	consumo_prom_no_dom	bimestre	consumo_total_no_dom	gid	indice_des	latitud	longitud
0	159.72	2019	Gustavo A. Madero	42.566364	468.23	GUSTAVO A. MADERO	7 DE NOVIEMBRE	53.240000	631.00	42.066667	3.050000	3	3.05	57250	ALTO	19.455260	-99.112662
1	0.00	2019	Gustavo A. Madero	35.936667	107.81	GUSTAVO A. MADERO	7 DE NOVIEMBRE	0.000000	115.13	28.782500	7.320000	3	7.32	57253	MEDIO	19.455260	-99.112662
2	0.00	2019	Gustavo A. Madero	24.586000	122.93	GUSTAVO A. MADERO	7 DE NOVIEMBRE	0.000000	197.96	32.993333	75.030000	3	75.03	57255	POPULAR	19.455720	-99.113582
3	0.00	2019	Gustavo A. Madero	0.000000	0.00	GUSTAVO A. MADERO	NUEVA TENOCHTITLAN	0.000000	253.53	84.510000	84.510000	3	253.53	57267	BAJO	19.459647	-99.104469
4	56.72	2019	Azcapotzalco	67.436250	539.49	AZCAPOTZALCO	PROHOGAR	56.720000	839.35	76.304545	121.570000	3	243.14	57330	BAJO	19.474161	-99.146750
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
71097	NaN	2019	Cuauhtémoc	20.053112	3930.41	CUAUHTEMOC	GUERRERO	NaN	4286.28	19.307568	13.687308	1	355.87	233	BAJO	19.448564	-99.139940
71098	71.30	2019	Cuauhtémoc	21.126615	9549.24	CUAUHTEMOC	GUERRERO	35.650001	9796.12	20.976702	13.506923	1	175.59	238	POPULAR	19.449339	-99.145719
71099	759.16	2019	Cuauhtémoc	27.527778	4707.25	CUAUHTEMOC	GUERRERO	94.894999	5692.81	29.344381	15.093334	1	226.40	239	BAJO	19.448392	-99.145930
71100	402.65	2019	Cuauhtémoc	30.605000	550.89	CUAUHTEMOC	GUERRERO	100.662498	963.15	41.876087	9.610000	1	9.61	244	BAJO	19.447587	-99.142509
71101	41.20	2019	Cuauhtémoc	22.507710	8552.94	CUAUHTEMOC	GUERRERO	13.733333	9000.07	21.951366	15.034444	1	405.93	247	BAJO	19.447402	-99.139725

71102 rows × 17 columns

Geospatial data profiling

geo_vars = ["latitud", "longitud"]

geo_vars_precision(df_geotransform, geo_vars)

	No. of entries - latitud	No. of entries - longitud
No. of decimals
10	64044	64152
9	6274	6316
8	712	580
7	69	39
6	3	12

None

• Cambiar a minúsculas las columnas alcaldía, colonia e indice_des.

vars_lower=["indice_des", "alcaldia", "colonia","nomgeo"]

df_lower_values = convert_lower(df_geotransform, vars_lower)

Corrección de observaciones seleccionadas

• Nótese que hay una entrada llamada "talpan" que debería ser "tlalpan"

 df_lower_values["nomgeo"].value_counts()

iztapalapa                10515
gustavo a. madero         10058
cuauhtémoc                 7313
benito juárez              6049
venustiano carranza        5179
miguel hidalgo             5110
coyoacán                   4947
azcapotzalco               4216
álvaro obregón             4140
iztacalco                  3469
xochimilco                 2450
talpan                     2140
tláhuac                    1955
tlalpan                    1064
la magdalena contreras      955
cuajimalpa de morelos       892
milpa alta                  650
Name: nomgeo, dtype: int64

dicc_cor = {
    "nomgeo": {
        "talpan": "tlalpan"
    }
}

df_correct = correct_selected_entries(df_lower_values, dicc_cor)

df_correct["nomgeo"].value_counts() 

iztapalapa                10515
gustavo a. madero         10058
cuauhtémoc                 7313
benito juárez              6049
venustiano carranza        5179
miguel hidalgo             5110
coyoacán                   4947
azcapotzalco               4216
álvaro obregón             4140
iztacalco                  3469
tlalpan                    3204
xochimilco                 2450
tláhuac                    1955
la magdalena contreras      955
cuajimalpa de morelos       892
milpa alta                  650
Name: nomgeo, dtype: int64

Review Changes

¿Cuántas variables tenemos?

count_vars(df_correct)

Número de variables en los datos --> 17

¿Cuántas observaciones tenemos?

count_obs(df_correct)

Número de observaciones en los datos --> 71102

¿Cuántas observaciones únicas tenemos por variable?

count_unique_obs(df_correct)

consumo_total_mixto     24339
anio                        1
nomgeo                     16
consumo_prom_dom        52060
consumo_total_dom       47051
alcaldia                   16
colonia                  1340
consumo_prom_mixto      31911
consumo_total           56015
consumo_prom            62214
consumo_prom_no_dom     37440
bimestre                    3
consumo_total_no_dom    27336
gid                     71102
indice_des                  4
latitud                 22930
longitud                22930
dtype: int64

¿Cuántas variables numéricas tenemos?

count_type_vars(vars_num, "numerica")

Número de variables de tipo numerica --> 8

	Variable(s)
1	consumo_total
2	consumo_total_dom
3	consumo_total_no_dom
4	consumo_total_mixto
5	consumo_prom
6	consumo_prom_dom
7	consumo_prom_no_dom
8	consumo_prom_mixto

None

¿Cuántas variables de fecha tenemos?

• Para efectos de este ejercicio, no hay ninguna variable de tipo fecha, o que consideremos de fecha.

¿Cuántas variables categóricas tenemos?

count_type_vars(cat_vars, "categórica")

Número de variables de tipo categórica --> 6

	Variable(s)
1	anio
2	nomgeo
3	alcaldia
4	colonia
5	bimestre
6	indice_des

None

¿Cuántas variables de texto tenemos?

• Para efectos de este ejercicio, no hay ninguna variable de tipo texto, o que consideremos de texto. Se podría considerar a la variable gid como un identificador de texto.

count_type_vars(vars_text, "texto")

Número de variables de tipo texto --> 1

	Variable(s)
1	gid

None

Genera el profiling de cada variable

## Data profiling compacted in function
data_profiling_numeric(df_correct, vars_num)

*********************************
** General description of data **
*********************************

	consumo_total	consumo_total_dom	consumo_total_no_dom	consumo_total_mixto	consumo_prom	consumo_prom_dom	consumo_prom_no_dom	consumo_prom_mixto
dtype	float64	float64	float64	float64	float64	float64	float64	float64
count_unique	56015	47051	27336	24339	62214	52060	37440	31911
missing_v	0	4820	0	8327	0	4820	0	8327
count	71102	66282	71102	62775	71102	66282	71102	62775
mean	1695.85	1186.26	436.06	174.36	111.217	29.1324	126.76	50.6362
std	3555.7	2771.04	2126.15	312.664	1069.95	64.5659	1095.82	130.409
min	0	0	0	0	0	0	0	0
25%	340.952	161.635	10.98	0	23.0101	18.6905	6.27542	0
50%	896.175	604.185	54.055	79.94	31.6938	26.4142	19.28	33.4517
75%	1808.9	1261.45	230.43	233.32	45.4849	36.2466	54.1869	61.2165
max	119727	95060.7	119727	23404.4	89691.8	7796.41	89691.8	11702.2

None
---------------------------------------------------------------------------
---------------------------------------------------------------------------



****************************
** Top repeated variables **
****************************

	consumo_total			consumo_total_dom			consumo_total_no_dom			consumo_total_mixto			consumo_prom			consumo_prom_dom			consumo_prom_no_dom			consumo_prom_mixto
	value	count	part_notnull	value	count	part_notnull	value	count	part_notnull	value	count	part_notnull	value	count	part_notnull	value	count	part_notnull	value	count	part_notnull	value	count	part_notnull
top_1	0.00	2451	3.45	0.00	9861	14.88	0.00	8109	11.40	0.0	17715	28.22	0.00	2451	3.45	0.00	9861	14.88	0.00	8109	11.40	0.00	17715	28.22
top_2	3.05	70	0.10	1.22	37	0.06	1.22	402	0.57	36.0	74	0.12	1.22	62	0.09	1.22	33	0.05	1.22	330	0.46	36.00	58	0.09
top_3	1.22	68	0.10	10.98	21	0.03	1.83	316	0.44	17.7	61	0.10	3.05	55	0.08	14.64	23	0.03	1.83	290	0.41	29.28	57	0.09
top_4	3.66	42	0.06	25.62	20	0.03	3.05	302	0.42	36.6	59	0.09	4.27	43	0.06	10.98	22	0.03	3.05	260	0.37	36.60	53	0.08
top_5	6.71	41	0.06	3.66	20	0.03	7.93	219	0.31	18.3	54	0.09	6.71	39	0.05	15.25	22	0.03	4.27	216	0.30	23.80	49	0.08

None
---------------------------------------------------------------------------
---------------------------------------------------------------------------

df_correct["nomgeo"].value_counts() 

iztapalapa                10515
gustavo a. madero         10058
cuauhtémoc                 7313
benito juárez              6049
venustiano carranza        5179
miguel hidalgo             5110
coyoacán                   4947
azcapotzalco               4216
álvaro obregón             4140
iztacalco                  3469
tlalpan                    3204
xochimilco                 2450
tláhuac                    1955
la magdalena contreras      955
cuajimalpa de morelos       892
milpa alta                  650
Name: nomgeo, dtype: int64

#data profiling function
data_profiling_categ(df_correct,cat_vars)

*********************************
Variable Categorica anio
*********************************

Info	anio
Num_Registros	71102
Num_de_categorias	1
Moda	2019
Valores_faltantes	0
Top1	[2019, 71102]
Top2	0
Top3	0

None
Valores de las categorias y sus proporciones

	Observaciones	proporción
Categoría
2019	71102	100.0%

None



*********************************
Variable Categorica nomgeo
*********************************

Info	nomgeo
Num_Registros	71102
Num_de_categorias	16
Moda	iztapalapa
Valores_faltantes	0
Top1	[iztapalapa, 10515]
Top2	[gustavo a. madero, 10058]
Top3	[cuauhtémoc, 7313]

None
Valores de las categorias y sus proporciones

	Observaciones	proporción
Categoría
iztapalapa	10515	14.8%
gustavo a. madero	10058	14.1%
cuauhtémoc	7313	10.3%
benito juárez	6049	8.5%
venustiano carranza	5179	7.3%
miguel hidalgo	5110	7.2%
coyoacán	4947	7.0%
azcapotzalco	4216	5.9%
álvaro obregón	4140	5.8%
iztacalco	3469	4.9%
tlalpan	3204	4.5%
xochimilco	2450	3.4%
tláhuac	1955	2.7%
la magdalena contreras	955	1.3%
cuajimalpa de morelos	892	1.3%
milpa alta	650	0.9%

None



*********************************
Variable Categorica alcaldia
*********************************

Info	alcaldia
Num_Registros	71102
Num_de_categorias	16
Moda	iztapalapa
Valores_faltantes	0
Top1	[iztapalapa, 10515]
Top2	[gustavo a. madero, 10058]
Top3	[cuauhtemoc, 7313]

None
Valores de las categorias y sus proporciones

	Observaciones	proporción
Categoría
iztapalapa	10515	14.8%
gustavo a. madero	10058	14.1%
cuauhtemoc	7313	10.3%
benito juarez	6049	8.5%
venustiano carranza	5179	7.3%
miguel hidalgo	5110	7.2%
coyoacan	4947	7.0%
azcapotzalco	4216	5.9%
alvaro obregon	4140	5.8%
iztacalco	3469	4.9%
tlalpan	3204	4.5%
xochimilco	2450	3.4%
tlahuac	1955	2.7%
magdalena contreras	955	1.3%
cuajimalpa	892	1.3%
milpa alta	650	0.9%

None



*********************************
Variable Categorica colonia
*********************************

Info	colonia
Num_Registros	71102
Num_de_categorias	1340
Moda	centro
Valores_faltantes	0
Top1	[centro, 1139]
Top2	[agricola oriental, 837]
Top3	[roma norte, 602]

None
Valores de las categorias y sus proporciones

	Observaciones	proporción
Categoría
centro	1139	1.6%
agricola oriental	837	1.2%
roma norte	602	0.8%
moctezuma 2a seccion	558	0.8%
jardin balbuena	498	0.7%
...	...	...
piru secc. i	2	0.0%
calzada jalalpa	2	0.0%
huizachito	2	0.0%
santisima trinidad	1	0.0%
u. hab. nueva rosita	1	0.0%

1340 rows × 2 columns

None



*********************************
Variable Categorica bimestre
*********************************

Info	bimestre
Num_Registros	71102
Num_de_categorias	3
Moda	2
Valores_faltantes	0
Top1	[2, 23942]
Top2	[3, 23822]
Top3	[1, 23338]

None
Valores de las categorias y sus proporciones

	Observaciones	proporción
Categoría
2	23942	33.7%
3	23822	33.5%
1	23338	32.8%

None



*********************************
Variable Categorica indice_des
*********************************

Info	indice_des
Num_Registros	71102
Num_de_categorias	4
Moda	bajo
Valores_faltantes	0
Top1	[bajo, 29248]
Top2	[popular, 16539]
Top3	[alto, 15516]

None
Valores de las categorias y sus proporciones

	Observaciones	proporción
Categoría
bajo	29248	41.1%
popular	16539	23.3%
alto	15516	21.8%
medio	9799	13.8%

None

Data Profiling con Pandas-Profiling

profile = ProfileReport(df_correct, title="Pandas Profiling Report", explorative = True)

profile

profile.to_file("Profile_variables.html")

Graphic Exploratory Data Analysis (GEDA)

Análisis Univariado

Variables Categóricas

Barplots

La función que diseñamos para crear gráficas de barras está pensada para que el usuario especifique la variable que desea visualizar.

• La lista de variables que se pueden graficar con esta función es:
  • "anio"
  • "nomgeo",
  • "alcaldia",
  • "colonia",
  • "bimestre",
  • "indice_des",

df_plot = df_correct.copy()

barplot_cat(df_plot, "alcaldia", tops=10)

Otras_categs contiene la siguiente información: 
    -> 6 categorías (37.50%)
    -> su conteo de valores representa el (14.21%) del conteo total

Varibles Númericas

Se definen las listas de las variables a explorar:

vars_num_tot= [
    "consumo_total",
    "consumo_total_dom",
    "consumo_total_no_dom",
    "consumo_total_mixto",
    "indice_des"]

vars_num_prom= [
    "consumo_prom",
    "consumo_prom_dom",
    "consumo_prom_no_dom",
    "consumo_prom_mixto",
    "indice_des"]

vars_num_i= [
    "consumo_total",
    "consumo_total_dom",
    "consumo_total_no_dom",
    "consumo_total_mixto",
    "consumo_prom",
    "consumo_prom_dom",
    "consumo_prom_no_dom",
    "consumo_prom_mixto",
    "indice_des",
    "alcaldia",
    "bimestre"]

Histogramas

La función que diseñamos para crear histogramas está pensada para que el usuario especifique la variable que desea visualizar.

• La lista de variables que se pueden graficar con esta función es:
  • 'consumo_total',
  • 'consumo_total_dom',
  • 'consumo_total_no_dom',
  • 'consumo_total_mixto',
  • 'consumo_prom',
  • 'consumo_prom_dom',
  • 'consumo_prom_no_dom',
  • 'consumo_prom_mixto'

histograms_numeric_total(df_plot, "consumo_total")

A partir de la exploración de los datos numéricos por medio de histogramas, se notó la presencia de muchos datos atípicos.

Distribución del consumo de agua por índice de desarrollo.

Se muestran los histogramas del consumo (variables numéricas) por cada categoría del índice de desarrollo(indice_des).

Con el objetivo de tener una mejor observación del comportamiento de la distribución del consumo (totales y promedios), se transformaron las variables en escala logarítmica.

Sin embargo, de acuerdo con el data profiling en el EDA, se observó que para todos los consumos (totales y promedio), el valor top 1 es cero. Por lo tanto, la distribuciones logarítmicas no mostrarán estos valores.

Con base en lo anterior, y dado que la granularidad de los datos es a nivel manzana, ¿Existen muchas manzanas sin consumo de agua? ¿Es correcto lo anterior o es un error? Contestaremos la pregunta más adelante.

La función que diseñamos para crear histogramas está pensada para que el usuario especifique la variable que desea visualizar.

• La lista de variables que se pueden graficar con esta función es:
  • 'consumo_total',
  • 'consumo_total_dom',
  • 'consumo_total_no_dom',
  • 'consumo_total_mixto',
  • 'consumo_prom',
  • 'consumo_prom_dom',
  • 'consumo_prom_no_dom',
  • 'consumo_prom_mixto'

histograms_numeric(df_plot, "consumo_prom_mixto", "indice_des")

/Users/rp_mbp/.pyenv/versions/itam_intro_to_ds/lib/python3.7/site-packages/pandas/core/series.py:726: RuntimeWarning:

divide by zero encountered in log

Boxplots

Los boxplots reafirman que para todas las variables numéricas existen outliers, incluso por cada categoría del índice desarrollo.

La función que diseñamos para crear gráficas de baja y brazos está pensada para que el usuario especifique la variable que desea visualizar.

• La lista de variables que se pueden graficar con esta función es:
  • 'consumo_total',
  • 'consumo_total_dom',
  • 'consumo_total_no_dom',
  • 'consumo_total_mixto',
  • 'consumo_prom',
  • 'consumo_prom_dom',
  • 'consumo_prom_no_dom',
  • 'consumo_prom_mixto'

box_plot_num(df_plot, "indice_des", "consumo_total_mixto")

Scatterplots

La función que diseñamos para crear scatterplots está pensada para que el usuario especifique las 2 variables que desea visualizar.

• La lista de variables que se pueden graficar con esta función es:
  • "consumo_total_mixto",
  • "consumo_total_dom",
  • "consumo_total_no_dom",
  • "consumo_total"

• Variables totales del consumo:

scatterPlotFacet(df_plot, "consumo_total_dom", "consumo_total_no_dom", "indice_des", "bimestre")

• Variables promedio del consumo:

• La lista de variables que se pueden graficar con esta función es:
  • "consumo_prom_dom",
  • "consumo_prom_mixto",
  • "consumo_prom_no_dom",
  • "consumo_prom"

scatterPlotFacet(df_plot, "consumo_prom_dom", "consumo_prom_no_dom", "indice_des", "bimestre")

Rugplot

La función que diseñamos para crear gráficas de tapete está pensada para que el usuario especifique la variable que desea visualizar.

• La lista de variables que se pueden graficar con esta función es:
  • 'consumo_total',
  • 'consumo_total_dom',
  • 'consumo_total_no_dom',
  • 'consumo_total_mixto',
  • 'consumo_prom',
  • 'consumo_prom_dom',
  • 'consumo_prom_no_dom',
  • 'consumo_prom_mixto'

rugplot_num(df_plot, "consumo_prom_no_dom")

Density Estimate

La función que diseñamos para crear gráficas de densidad está pensada para que el usuario especifique la variable que desea visualizar.

• La lista de variables que se pueden graficar con esta función es:
  • 'consumo_total',
  • 'consumo_total_dom',
  • 'consumo_total_no_dom',
  • 'consumo_total_mixto',
  • 'consumo_prom',
  • 'consumo_prom_dom',
  • 'consumo_prom_no_dom',
  • 'consumo_prom_mixto'

distplot_num(df_plot, "consumo_prom_mixto", 85)

/Users/rp_mbp/.pyenv/versions/itam_intro_to_ds/lib/python3.7/site-packages/seaborn/distributions.py:2551: FutureWarning:

`distplot` is a deprecated function and will be removed in a future version. Please adapt your code to use either `displot` (a figure-level function with similar flexibility) or `kdeplot` (an axes-level function for kernel density plots).

QQ-Plot

La función que diseñamos para crear gráficas qq está pensada para que el usuario especifique la variable que desea visualizar.

• La lista de variables que se pueden graficar con esta función es:
  • 'consumo_total',
  • 'consumo_total_dom',
  • 'consumo_total_no_dom',
  • 'consumo_total_mixto',
  • 'consumo_prom',
  • 'consumo_prom_dom',
  • 'consumo_prom_no_dom',
  • 'consumo_prom_mixto'

qq_plot(data = df_plot, variable = "consumo_total", ymin = 1, ymax = 200)

Porcentaje de datos conservado 0.15581840173272202

Matriz de Correlación

corr_plot(data = df, variables = vars_num, title = "Matriz de correlación")

Text(0.5, 1.0, 'Matriz de correlación')

Análisis Multivariado

Distribución del consumo de agua por categoría del ínidice de desarrollo en cada alcaldía.

• Conteo de registros por alcaldía por indice_des

create_heatmap(df_plot, "alcaldia", "indice_des", "gid")

Con el mapa de calor por alcaldía podemos ver que sí hay ubicaciones específicas con una tendencia clara a ser clasificadas con un indice_des particular (e.g. si el registro es de Azcapotzalco, tenderá a ser clasificado como "bajo"). (el mapa de calor muestra la proporción de conteos de cada clasificación por alcaldía)

Histogramas de distribución del consumo por índice de desarrollo humano y variables categóricas.

La función que diseñamos para crear este grupo de histogramas está pensada para que el usuario especifique la variable de consumo que desea visualizar.

• La lista de variables que se pueden graficar con esta función es:
  • 'consumo_total',
  • 'consumo_total_dom',
  • 'consumo_total_no_dom',
  • 'consumo_total_mixto',
  • 'consumo_prom',
  • 'consumo_prom_dom',
  • 'consumo_prom_no_dom',
  • 'consumo_prom_mixto'

histograms_numeric_rv_cat(df_plot, "consumo_total", "indice_des", "alcaldia")

Boxplot del consumo por alcaldía:

La función que diseñamos para crear esta visualización de histogramas está pensada para que el usuario especifique la variable de consumo que desea visualizar.

• La lista de variables que se pueden graficar con esta función es:
  • 'consumo_total',
  • 'consumo_total_dom',
  • 'consumo_total_no_dom',
  • 'consumo_total_mixto',
  • 'consumo_prom',
  • 'consumo_prom_dom',
  • 'consumo_prom_no_dom',
  • 'consumo_prom_mixto'

box_plot_num_location(df_plot, "consumo_total_no_dom", "iztapalapa")

Distribución del consumo de agua por categoría del ínidice de desarrollo por bimestre.

La función que diseñamos para crear esta visualización de histogramas está pensada para que el usuario especifique la variable de consumo que desea visualizar.

• La lista de variables que se pueden graficar con esta función es:
  • 'consumo_total',
  • 'consumo_total_dom',
  • 'consumo_total_no_dom',
  • 'consumo_total_mixto',
  • 'consumo_prom',
  • 'consumo_prom_dom',
  • 'consumo_prom_no_dom',
  • 'consumo_prom_mixto'

histograms_numeric_rv_cat(df_plot, "consumo_total", "indice_des", "bimestre")

Distribución del consumo de agua por categoría del ínidice de desarrollo por colonia.

Se enlistan las colonias top 15 con mayor número de observaciones:

df_colonia = df_plot[df_plot["colonia"].isin(colonia_top_15)]

La función que diseñamos para crear esta visualización de histogramas está pensada para que el usuario especifique la variable de consumo que desea visualizar.

• La lista de variables que se pueden graficar con esta función es:
  • 'consumo_total',
  • 'consumo_total_dom',
  • 'consumo_total_no_dom',
  • 'consumo_total_mixto',
  • 'consumo_prom',
  • 'consumo_prom_dom',
  • 'consumo_prom_no_dom',
  • 'consumo_prom_mixto'

histograms_numeric_rv_cat(df_colonia, "consumo_total", "indice_des", "colonia")

Distribución espacial de la variable de respuesta indice_des

scatter_map(df_plot)

/Users/rp_mbp/.pyenv/versions/itam_intro_to_ds/lib/python3.7/site-packages/seaborn/_decorators.py:43: FutureWarning:

Pass the following variables as keyword args: x, y. From version 0.12, the only valid positional argument will be `data`, and passing other arguments without an explicit keyword will result in an error or misinterpretation.

Consistencia de la clasificación de la variable colonia con el indice_des.

Lo que nos interesa averiguar con este analisis es si las distintas colonias están clasificadas con una sola etiqueta de índice de desarrollo (e.g. la colonia "Navidad" siempre es clasificada como "popular")

colonia_devidx_consistency(df_plot)

Con esta gráfica nos damos cuenta de que no hay mucha consistencia en la clasificación. Solo el 21% de las las colonias fueron consistentemente clasificadas con una sola etiqueta de la variable indice_des.

¿Qué porcentaje del consumo es para doméstico, no doméstico y mixto?

cons_dist_plots(df_plot)

¿Cómo se ve el consumo total por alcaldía?

consumoPerAlcaldia(df_plot, "consumo_total")

	alcaldia	frecuencia	proporcion	consumo_total	popular	bajo	medio	alto
1	gustavo a. madero	10058	14.1%	119726.94	2106.0	4306.0	2290.0	1356.0
2	cuauhtemoc	7313	10.3%	89691.80	1556.0	2368.0	1401.0	1988.0
8	alvaro obregon	4140	5.8%	85225.96	1172.0	1409.0	442.0	1117.0
0	iztapalapa	10515	14.8%	80856.11	3859.0	6621.0	3.0	32.0
7	azcapotzalco	4216	5.9%	72501.90	825.0	2996.0	340.0	55.0
14	cuajimalpa	892	1.3%	66650.92	301.0	87.0	157.0	347.0
5	miguel hidalgo	5110	7.2%	65285.12	709.0	703.0	1091.0	2607.0
4	venustiano carranza	5179	7.3%	58236.90	991.0	3008.0	734.0	446.0
10	tlalpan	3204	4.5%	56873.96	840.0	646.0	764.0	954.0
6	coyoacan	4947	7.0%	42764.36	1272.0	1346.0	385.0	1944.0
3	benito juarez	6049	8.5%	40728.16	408.0	2028.0	192.0	3421.0
13	magdalena contreras	955	1.3%	37022.23	168.0	370.0	87.0	330.0
9	iztacalco	3469	4.9%	31914.18	767.0	2028.0	365.0	309.0
12	tlahuac	1955	2.7%	19434.16	510.0	521.0	729.0	195.0
11	xochimilco	2450	3.4%	17846.18	807.0	610.0	618.0	415.0
15	milpa alta	650	0.9%	2493.72	248.0	201.0	201.0	1.0

None

Conclusiones

• Desafortunadamente no es posible incluir la dimensión temporal en el análisis por falta de datos.
• Evaluando similitudes entre los distintos índices de desarrollo y su consumo, notamos que la categorías "alto" y "popular" muestran un comportamiento similar. De igual manera, las categorías "bajo" y "medio" también muestran un comportamiento parecido.
• Hay ciertas alcaldías que sí muestran una tendencia importante a ser categorizadas en un índice de desarrollo particular. Por ejemplo, Iztapalapa, Iztacalco e Azcapotzalco tenderán a ser clasificados como "bajo".
• Existe una relación espacial con el índice de desarrollo. En las zonas rurales en donde el índice de desarrollo es bajo, el consumo de agua también lo es. Alcaldías como Miguel Hidalgo y Benito Juárez presentan consumo alto e índice de desarrollo alto también.
• Las manzanas que presentan menor consumo de agua o incluso nulo consumo, son más probables de ser categorizadas con índice de desarrollo popular o bajo. En su mayoría, estas manzanas se encuentran en las alcaldías de Milpa Alta, Xochimilco, Tláhuac, sur de Tlalpan y Magdalena Contreras.
• Para la mayoría de las alcaldías el mayor porcentaje de observaciones es de manzanas con índice de desarrollo bajo. Sin embargo, dentro de cada alcaldía hay manzanas en todas las categorías de índice de desarrollo. Las proporciones de manzanas en cada alcaldía por nivel de desarrollo podría representar una métrica de desigualdad en la alcaldía. (Por ejemplo, alcaldías ricas, como Álvaro Obregón, tiene niveles proporcionales en nivel de desarrollo, lo que podría determinar, más igualdad o cohesión social dentro de la alcaldía).
• Existen alcaldías en las que tenemos un porcentaje mayor de observaciones. El cliente debe de determinar si la información incorpora todas las manzanas existentes de las alcaldía o sólo se reportan alguna.

Planteamiento de modelo de predicción

Con base en el el análisis realizado, estamos considerando las siguientes variables para la formulación de nuestro modelo de predección:

• 'consumo_total',
• 'consumo_total_dom',
• 'consumo_total_no_dom',
• 'consumo_total_mixto',
• 'consumo_prom',
• 'consumo_prom_dom',
• 'consumo_prom_no_dom',
• 'consumo_prom_mixto',
• 'alcaldías'

---

---